Eviews中VAR模型的操作、脈沖響應(yīng)分析和方差分解的實(shí)現(xiàn)ppt課件

1、EViews統(tǒng)計(jì)分析基礎(chǔ)教程第11章 VAR模型和VEC模型 重點(diǎn)內(nèi)容： 向量自回歸實(shí)際 VAR模型的建立 Johansen協(xié)整檢驗(yàn) VEC模型的建立EViews統(tǒng)計(jì)分析基礎(chǔ)教程一、向量自回歸VAR模型1.向量自回歸實(shí)際向量自回歸模型可以用來預(yù)測相關(guān)聯(lián)的經(jīng)濟(jì)時間序列系統(tǒng)，并分析隨機(jī)擾動對變量系統(tǒng)的動態(tài)沖擊，進(jìn)一步解釋經(jīng)濟(jì)沖擊對經(jīng)濟(jì)變量所產(chǎn)生的影響。滯后階數(shù)為p的VAR模型表達(dá)式為yt=A1 yt-1 +A2 yt-2 + Ap yt-p+B xt + t 其中，yt為k維內(nèi)生變量向量；xt為d維外生變量向量；t是k維誤差向量A1，A2，Ap，B是待估系數(shù)矩陣。EViews統(tǒng)計(jì)分析基礎(chǔ)教程一、向

2、量自回歸VAR模型1.向量自回歸實(shí)際滯后階數(shù)為p的VAR模型表達(dá)式還可以表述為即上式稱為非限制性向量自回歸Unrestricted VAR模型，是滯后算子L的k k 的參數(shù)矩陣。當(dāng)行列式detA(L)的根都在單位圓外時，不含外生變量的非限制性向量自回歸模型才滿足平穩(wěn)性條件。 EViews統(tǒng)計(jì)分析基礎(chǔ)教程一、向量自回歸VAR模型2.構(gòu)造VAR模型SVAR構(gòu)造VAR是指在模型中參與了內(nèi)生變量的當(dāng)期值，即解釋變量中含有當(dāng)期變量，這是與VAR模型的不同之處。下面以兩變量SVAR模型為例進(jìn)展闡明。xt=b10 + b12zt +11xt-1 +12 zt-1 + xt zt=b20 + b21xt +2

3、1xt-1 +22 zt-1 + zt 這是滯后階數(shù)p=1的SVAR模型。其中，xt和zt均是平穩(wěn)隨機(jī)過程；隨機(jī)誤差項(xiàng)xt和zt是白噪聲序列，并且它們之間不相關(guān)。系數(shù)b12表示變量的zt的變化對變量xt的影響；21表示xt-1的變化對zt的滯后影響。該模型同樣可以用如下向量方式表達(dá)，即B0 yt= 0 + 1 yt-1 + t EViews統(tǒng)計(jì)分析基礎(chǔ)教程一、向量自回歸VAR模型3. VAR模型的建立選擇“Quick|“Estimate VAR選項(xiàng)，將會彈出以下圖所示的對話框。該對話框包括三個選項(xiàng)卡，分別是“Basics、“Cointegration和“VEC Restrictions，后兩個

4、選項(xiàng)卡在VEC模型操作中運(yùn)用。系統(tǒng)默許是“Basics選項(xiàng)卡。 EViews統(tǒng)計(jì)分析基礎(chǔ)教程一、向量自回歸VAR模型3. VAR模型的建立l在“VAR Type中有兩個選項(xiàng)：l“Unrestricted VAR建立的是無約束的向量自回歸模型，即 VAR模型的簡化式；l“Vector Error Correction建立的是誤差修正模型。l“Estimation Sample的編輯框中輸入的是樣本區(qū)間，當(dāng)任務(wù)文件建立好后，系統(tǒng)會自動給出樣本區(qū)間。l“Endogenous Variables中輸入的是內(nèi)生變量。l“Exogenous Variables中輸入的是外生變量，系統(tǒng)默許情況下將常數(shù)項(xiàng)c作

5、為外生變量。l“Lag Intervals for Endogenous中指定滯后區(qū)間 EViews統(tǒng)計(jì)分析基礎(chǔ)教程一、向量自回歸VAR模型4. VAR模型的檢驗(yàn)VAR模型的滯后構(gòu)造檢驗(yàn)?zāi)Ｐ偷臏髽?gòu)造檢驗(yàn) 1AR根的圖與表根的圖與表假設(shè)假設(shè)VAR模型一切根模的倒數(shù)都小于模型一切根模的倒數(shù)都小于1，即都在單位圓內(nèi)，即都在單位圓內(nèi)，那么該模型是穩(wěn)定的；假設(shè)那么該模型是穩(wěn)定的；假設(shè)VAR模型一切根模的倒數(shù)都大模型一切根模的倒數(shù)都大于于1，即都在單位圓外，那么該模型是不穩(wěn)定的。假設(shè)被估，即都在單位圓外，那么該模型是不穩(wěn)定的。假設(shè)被估計(jì)的計(jì)的VAR模型不穩(wěn)定，那么得到的結(jié)果有些是無效的。模型不穩(wěn)定，那么

6、得到的結(jié)果有些是無效的。在在VAR對象的工具欄中選擇對象的工具欄中選擇“View|“Lag Structure|“AR Roots Table/ AR Roots Graph選項(xiàng)，得到選項(xiàng)，得到AR根的表和圖。根的表和圖。EViews統(tǒng)計(jì)分析基礎(chǔ)教程一、向量自回歸VAR模型4. VAR模型的檢驗(yàn)-1.5-1.0-0.50.00.51.01.5-1.5-1.0-0.50.00.51.01.5Inverse Roots of AR Characteristic PolynomialVAR模型中AR根的圖 VAR模型的滯后構(gòu)模型的滯后構(gòu)造檢驗(yàn)造檢驗(yàn) 1AR根的圖與根的圖與表表EViews統(tǒng)計(jì)分析基礎(chǔ)

7、教程一、向量自回歸VAR模型3. VAR模型的建立VAR模型的滯后構(gòu)造檢驗(yàn)?zāi)Ｐ偷臏髽?gòu)造檢驗(yàn) 2Granger因果檢驗(yàn)因果檢驗(yàn)Granger因果檢驗(yàn)的因果檢驗(yàn)的原假設(shè)是原假設(shè)是 H0：變量：變量x不能不能Granger引起變量引起變量y備擇假設(shè)是備擇假設(shè)是H1：變量：變量x能能Granger引起變量引起變量y在在EViews軟件操作中，選擇軟件操作中，選擇VAR對象工具欄中的對象工具欄中的“View|“Lag Structure|“Granger Causality/Block Exogeneity Tests選項(xiàng)，可得到檢驗(yàn)結(jié)果選項(xiàng)，可得到檢驗(yàn)結(jié)果 。EViews統(tǒng)計(jì)分析基礎(chǔ)教程一、向量自回

8、歸VAR模型3. VAR模型的建立VAR模型的滯后構(gòu)造檢驗(yàn)?zāi)Ｐ偷臏髽?gòu)造檢驗(yàn) 2Granger因果檢驗(yàn)因果檢驗(yàn)右圖的檢驗(yàn)結(jié)果為：右圖的檢驗(yàn)結(jié)果為：在在5%的顯著性程度下，的顯著性程度下，變量變量log(ex)能能Granger引引起變量起變量log(ms)，即回絕，即回絕原假設(shè)；但變量原假設(shè)；但變量log(ms)不能不能Granger引起變量引起變量log(ex)，即接受原假設(shè)。，即接受原假設(shè)。 EViews統(tǒng)計(jì)分析基礎(chǔ)教程一、向量自回歸VAR模型3. VAR模型的建立VAR模型的滯后構(gòu)造檢驗(yàn)?zāi)Ｐ偷臏髽?gòu)造檢驗(yàn) 3滯后排除檢驗(yàn)滯后排除檢驗(yàn)滯后排除檢驗(yàn)滯后排除檢驗(yàn)Lag Exclusion Te

9、sts是對是對VAR模型中的每一階數(shù)的模型中的每一階數(shù)的滯后進(jìn)展排除檢驗(yàn)。如右圖所示。滯后進(jìn)展排除檢驗(yàn)。如右圖所示。第一列是滯后階數(shù)，第一列是滯后階數(shù)，第二列和第三列是方程的第二列和第三列是方程的2統(tǒng)計(jì)統(tǒng)計(jì)量，量，最后一列是結(jié)合的最后一列是結(jié)合的2統(tǒng)計(jì)量。統(tǒng)計(jì)量。EViews統(tǒng)計(jì)分析基礎(chǔ)教程一、向量自回歸VAR模型3. VAR模型的建立VAR模型的滯后構(gòu)造檢驗(yàn)?zāi)Ｐ偷臏髽?gòu)造檢驗(yàn) 4滯后階數(shù)規(guī)范滯后階數(shù)規(guī)范 選擇選擇VAR對象工具欄中的對象工具欄中的“View|“Lag Structure|“Lag Length Criteria選項(xiàng)，在彈出的對話框中輸入選項(xiàng)，在彈出的對話框中輸入最大滯后階數(shù)，

10、然后單擊最大滯后階數(shù)，然后單擊“OK按鈕即可得到檢驗(yàn)結(jié)果。按鈕即可得到檢驗(yàn)結(jié)果。EViews統(tǒng)計(jì)分析基礎(chǔ)教程二、脈沖呼應(yīng)函數(shù)脈沖呼應(yīng)函數(shù)IRF，Impulse Response Function分析方法可以用來描畫一個內(nèi)生變量對由誤差項(xiàng)所帶來的沖擊的反響，即在隨機(jī)誤差項(xiàng)上施加一個規(guī)范差大小的沖擊后，對內(nèi)生變量的當(dāng)期值和未來值所產(chǎn)生的影響程度。在EViews軟件操作中，選擇VAR對象工具欄中的“View|“Impulse Response選項(xiàng)，或者直接點(diǎn)擊VAR對象工具欄中的“Impulse功能鍵即可得到脈沖呼應(yīng)函數(shù)的設(shè)定對話框。EViews統(tǒng)計(jì)分析基礎(chǔ)教程二、脈沖呼應(yīng)函數(shù)在脈沖呼應(yīng)函數(shù)的設(shè)定對

11、話框中有兩個選項(xiàng)卡：一個是“Display，一個是“Impulse Definition。系統(tǒng)默許下翻開的是“Display選項(xiàng)卡。其中，“Display Format包含三種顯示方式，“Table表格方式，“Multiple Graphs多個圖方式，“Combined Graphs組合圖方式。系統(tǒng)默許下是“Multiple Graphs選項(xiàng)。EViews統(tǒng)計(jì)分析基礎(chǔ)教程二、脈沖呼應(yīng)函數(shù)“Display Information中輸入沖擊變量Impulses和脈沖呼應(yīng)變量Responses。這里可以輸入內(nèi)生變量的稱號，也可以輸入變量的序號。 在“Periods中輸入顯示的最長時期?！癆ccuml

12、ated Responses為累積呼應(yīng)。對于穩(wěn)定的VAR模型，脈沖呼應(yīng)函數(shù)應(yīng)趨于0，累積呼應(yīng)趨于非0常數(shù)。EViews統(tǒng)計(jì)分析基礎(chǔ)教程三、方差分解根本思想：方差分解的根本思想是，把系統(tǒng)中的全部內(nèi)生變量k個的動搖按其成因分解為與各個方程新息相關(guān)聯(lián)的k個組成部分，從而得到新息對模型內(nèi)生變量的相對重要程度。在EViews軟件操作中，選擇VAR對象工具欄中的“View|“Variance Decomposition選項(xiàng)，彈出對話框。其部分內(nèi)容設(shè)定與脈沖呼應(yīng)函數(shù)一樣。當(dāng)改動VAR模型中的變量順序時，基于Cholesky因子的方差分解會有改動。EViews統(tǒng)計(jì)分析基礎(chǔ)教程四、Johansen協(xié)整檢驗(yàn)1、J

13、ohansen協(xié)整實(shí)際在VAR(p)模型中，設(shè)變量y1t， y2t，ykt均是非平穩(wěn)的一階單整序列，即ytI(1)。xt是d維外生向量，代表趨勢項(xiàng)、常數(shù)項(xiàng)等，yt=A1 yt-1 +A2 yt-2 + Ap yt-p+B xt + t 變量y1t， y2t，ykt的一階單整過程I(1)經(jīng)過差分后變?yōu)榱汶A單整過程I(0) EViews統(tǒng)計(jì)分析基礎(chǔ)教程四、Johansen協(xié)整檢驗(yàn)1、Johansen協(xié)整實(shí)際設(shè)變量y1t， y2t，ykt均是非平穩(wěn)的一階單整序列，即ytI(1)。xt是d維外生向量，代表趨勢項(xiàng)、常數(shù)項(xiàng)等，yt=A1 yt-1 +A2 yt-2 + Ap yt-p+B xt + t 變

14、量y1t， y2t，ykt的一階單整過程I(1)經(jīng)過差分后變?yōu)榱汶A單整過程I(0) EViews統(tǒng)計(jì)分析基礎(chǔ)教程四、Johansen協(xié)整檢驗(yàn)1、Johansen協(xié)整實(shí)際其中，yt和yt-jj=1，2，p都是由I(0)變量構(gòu)成的向量，假設(shè) yt-1是I(0)的向量，即y1t-1，y2t-1，ykt-1之間具有協(xié)整關(guān)系，那么yt是平穩(wěn)的。EViews統(tǒng)計(jì)分析基礎(chǔ)教程四、Johansen協(xié)整檢驗(yàn)1、Johansen協(xié)整實(shí)際根據(jù)協(xié)整方程中能否包含截距項(xiàng)和趨勢項(xiàng)，將其分為五類：第一類，序列yt沒有確定趨勢，協(xié)整方程沒有截距項(xiàng)；第二類，序列yt沒有確定趨勢，協(xié)整方程有截距項(xiàng)；第三類，序列yt有確定的線性趨

15、勢，協(xié)整方程只需截距項(xiàng)；第四類，序列yt有確定的線性趨勢，協(xié)整方程有確定的線性趨勢；第五類，序列yt有二次趨勢，協(xié)整方程只需線性趨勢。EViews統(tǒng)計(jì)分析基礎(chǔ)教程四、Johansen協(xié)整檢驗(yàn)2、Johansen協(xié)整檢驗(yàn)1特征根跡Trace檢驗(yàn) 2最大特征值檢驗(yàn)EViews統(tǒng)計(jì)分析基礎(chǔ)教程四、Johansen協(xié)整檢驗(yàn)2、Johansen協(xié)整檢驗(yàn)1特征根跡Trace檢驗(yàn) 原假設(shè)為 Hr0：r0，r+1=0備擇假設(shè)為 H r1：r+10， r=1，2，k-1檢驗(yàn)統(tǒng)計(jì)量為 其中， r是特征根跡統(tǒng)計(jì)量。EViews統(tǒng)計(jì)分析基礎(chǔ)教程四、Johansen協(xié)整檢驗(yàn)2、Johansen協(xié)整檢驗(yàn)1特征根跡Trac

16、e檢驗(yàn) 當(dāng) 0 臨界值時，接受H10，至少有一個協(xié)整向量；當(dāng) 1 臨界值時，回絕H10，至少有兩個協(xié)整向量；當(dāng) r0， 檢驗(yàn)統(tǒng)計(jì)量為 r = - nln(1-r+1) 其中， r是最大特征根統(tǒng)計(jì)量。當(dāng) 0 臨界值時，回絕H00，至少有一個協(xié)整向量；當(dāng) 1 臨界值時，回絕H10，至少有兩個協(xié)整向量；當(dāng) r 臨界值時，接受Hr0，只需r個協(xié)整向量。EViews統(tǒng)計(jì)分析基礎(chǔ)教程四、 Johansen協(xié)整檢驗(yàn)EViews操作在EViews軟件操作中，選擇VAR01對象工具欄中的“View|“Cointegration Test選項(xiàng)，翻開以下圖所示的協(xié)整檢驗(yàn)設(shè)定對話框。EViews統(tǒng)計(jì)分析基礎(chǔ)教程四、

17、Johansen協(xié)整檢驗(yàn)EViews操作在“Deterministic trend assumption of test中確定協(xié)整方程的類型 。在“Exog variables中輸入外生變量xt。假設(shè)沒有外生變量，此編輯框可為空。 在“Lag intervals中設(shè)定滯后區(qū)間，這里的數(shù)字要起止點(diǎn)成對輸入，如“1 2。最右側(cè)的數(shù)值為VAR模型滯后階數(shù)p-1，即協(xié)整檢驗(yàn)的滯后階數(shù)等于VAR模型滯后階數(shù)減去1 。在“Critical Values中可設(shè)定檢驗(yàn)的顯著性程度。系統(tǒng)默許下是0.05。用戶可以根據(jù)實(shí)踐檢驗(yàn)需求設(shè)定為0.01或0.10。 EViews統(tǒng)計(jì)分析基礎(chǔ)教程五、 向量誤差修正VEC模型

18、1、VEC模型實(shí)際根據(jù)協(xié)整方程可得到如下表達(dá)式這樣得到的每一個方程都是誤差修正模型， ecmt-1= yt-1是誤差修正項(xiàng)，可以反響變量之間的長期平衡關(guān)系。 EViews統(tǒng)計(jì)分析基礎(chǔ)教程五、 向量誤差修正VEC模型1、VEC模型實(shí)際系數(shù)向量可以反映變量間的平衡關(guān)系偏離長期平衡形狀時，將其調(diào)整到平衡形狀的調(diào)整力度。誤差修正模型等式右側(cè)的變量差分項(xiàng)的系數(shù)反映了各變量的短期動搖對被解釋變量的短期變化的影響。在回歸模型中，統(tǒng)計(jì)量不顯著的滯后差分項(xiàng)可以直接剔除。 EViews統(tǒng)計(jì)分析基礎(chǔ)教程五、 向量誤差修正VEC模型2、VEC模型估計(jì)由于VEC模型是含有協(xié)整約束變量構(gòu)建的模型，所以在估計(jì)VEC模型前需進(jìn)展Johansen協(xié)整檢驗(yàn)，并要確定協(xié)整關(guān)系的數(shù)量。假設(shè)變量間沒有協(xié)整關(guān)系，那么